[论文解读] Reconstruction of Sparse Circuits Using Multi-neuronal Excitation (RESCUME)

Tao Hu, Dmitri B. Chklovskii|arXiv (Cornell University)|Oct 4, 2012

Advanced Memory and Neural Computing参考文献 56被引用 24

一句话总结

本文提出RES CUME，一种基于压缩感知的方法，通过刺激突触前神经元的随机子集并解码突触后膜电位响应，实现对稀疏神经回路的高效重建。通过利用多神经元兴奋和鲁棒解码，该方法相比暴力方法显著减少了重建时间，即使在存在真实噪声和非线性整合的条件下依然有效，仅依赖动作电位活动即可实现回路映射。

ABSTRACT

One of the central problems in neuroscience is reconstructing synaptic connectivity in neural circuits. Synapses onto a neuron can be probed by sequentially stimulating potentially pre-synaptic neurons while monitoring the membrane voltage of the post-synaptic neuron. Reconstructing a large neural circuit using such a "brute force" approach is rather time-consuming and inefficient because the connectivity in neural circuits is sparse. Instead, we propose to measure a post-synaptic neuron's voltage while stimulating sequentially random subsets of multiple potentially pre-synaptic neurons. To reconstruct these synaptic connections from the recorded voltage we apply a decoding algorithm recently developed for compressive sensing. Compared to the brute force approach, our method promises significant time savings that grow with the size of the circuit. We use computer simulations to find optimal stimulation parameters and explore the feasibility of our reconstruction method under realistic experimental conditions including noise and non-linear synaptic integration. Multineuronal stimulation allows reconstructing synaptic connectivity just from the spiking activity of post-synaptic neurons, even when sub-threshold voltage is unavailable. By using calcium indicators, voltage-sensitive dyes, or multi-electrode arrays one could monitor activity of multiple postsynaptic neurons simultaneously, thus mapping their synaptic inputs in parallel, potentially reconstructing a complete neural circuit.

研究动机与目标

• 解决大规模稀疏神经回路中暴力方法进行突触连接映射的低效问题。
• 减少重建神经回路中突触连接所需的时间。
• 开发一种在数据有限条件下仍有效的重建方法，包括亚阈值电位缺失和实验噪声。
• 实现仅基于突触后动作电位活动的回路重建，避免依赖亚阈值电位测量。
• 通过钙成像或多电极阵列实现多个突触后神经元的并行映射。

提出的方法

• 该方法使用突触前神经元的随机子集作为刺激，而非逐个顺序刺激单个神经元。
• 在多神经元刺激过程中记录突触后膜电位响应，以捕获突触输入模式。
• 应用压缩感知解码算法，从稀疏测量中重建突触连接矩阵。
• 该方法设计用于处理真实条件下存在的非线性突触整合和实验噪声。
• 该方法仅依赖动作电位活动即可实现重建，无需亚阈值电位记录。
• 通过钙指标或多电极阵列同时监测多个突触后神经元，实现并行回路映射。

实验结果

研究问题

• RQ1 与逐个顺序刺激单个神经元相比，多神经元刺激是否能显著减少稀疏神经回路中突触连接重建所需的时间？
• RQ2 在存在噪声和非线性突触整合等真实实验条件下的重建方法有多鲁棒？
• RQ3 是否可以仅基于突触后动作电位活动准确重建突触连接，而无需亚阈值电位测量？
• RQ4 最大化重建准确性和效率的最优刺激参数（如子集大小、试验次数）是什么？
• RQ5 该方法能否通过多电极阵列或钙成像实现大规模神经回路的并行重建？

主要发现

• 所提出的方法在回路重建中实现了显著的时间节省，且随着回路规模增大，效率提升更加明显。
• 即使缺乏亚阈值电位数据，该方法依然有效，仅依赖动作电位活动即可实现。
• 计算机模拟表明，该方法对噪声和非线性突触整合效应具有鲁棒性。
• 通过模拟确定了最优刺激参数，实现了测量效率与重建准确性的平衡。
• 该方法可实现多个突触后神经元的并行映射，使大规模回路重建成为可能。